🤖 AI

Emotion in an active inference model of human driving

Questo articolo propone un framework di inferenza attiva ampliato per la guida umana che integra stati affettivi continui (valenza e arousal) condizionati sia dagli esiti attuali che da quelli futuri previsti, dimostrando che i segnali emotivi risultanti si allineano con i modelli affettivi riportati negli scenari di guida interattiva.

Autori originali: Julian F. Schumann, Johan Engström, Ran Wei, Jens Kober, Martijn Wisse, Arkady Zgonnikov

Pubblicato 2026-08-11

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Julian F. Schumann, Johan Engström, Ran Wei, Jens Kober, Martijn Wisse, Arkady Zgonnikov

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di guidare lungo un'autostrada e, all'improvviso, l'auto davanti a te sterza senza segnalare. Il tuo cuore accelera, lo stomaco si contrae e potresti persino provare un lampo di rabbia. Ma ti sei mai chiesto perché il tuo cervello reagisce in questo modo? Gli scienziati che studiano come le macchine e i cervelli prendono decisioni hanno una teoria chiamata "inferenza attiva". Immaginala come un detective super intelligente dentro la tua testa che cerca costantemente di indovinare cosa accadrà dopo. Cerca di prevedere il futuro per evitare di essere sorpreso. Se il mondo corrisponde alle sue previsioni, si sente calmo. Se il mondo lancia un colpo di scena, il detective si confonde e cerca di capire cosa stia succedendo. Per molto tempo, questi modelli di detective sono stati bravi a spiegare come sterzare o frenare, ma mancava loro un pezzo cruciale del puzzle: i sentimenti. Non sapevano come calcolare la "rabbia" o il "sollievo". Questo è importante perché, se vogliamo costruire auto a guida autonoma che possano condividere la strada in sicurezza con gli esseri umani, queste auto devono capire non solo la fisica di uno scontro, ma anche l'altalena emotiva che lo precede.

In questo articolo, un team di ricercatori ha deciso di insegnare al loro detective guidatore come provare emozioni. Hanno preso un modello esistente che sapeva già guidare un'auto usando l'inferenza attiva e gli hanno dato un nuovo set di "occhiali emotivi". Questi occhiali permettono al modello di vedere il mondo attraverso due lenti specifiche: la valenza (quanto una situazione sia positiva o negativa) e l'arousal (quanto ci si senta allerta o in panico). Invece di guardare solo l'auto che ha davanti, il modello ha iniziato a guardare avanti, prevedendo cosa potrebbe accadere nei secondi successivi. Hanno testato questo pilota emotivo in due situazioni difficili: una in cui un'auto sul lato opposto della strada è improvvisamente entrata nella loro corsia, e un'altra in cui un'auto a un incrocio ha ignorato un segnale di "precedenza".

I risultati sono stati sorprendentemente simili a quelli umani. Quando l'altro conducente rispettava le regole, il modello rimaneva calmo e rilassato, con il livello di "arousal" che restava basso. Ma quando l'altro conducente infrangeva le regole — come sterzare nella propria corsia o ignorare un segnale di stop — le emozioni del modello subivano un picco. Il suo "arousal" saliva, simulando la sensazione di essere in stato di massima allerta, e la sua "valenza" diventava negativa, imitando la sensazione di rabbia o frustrazione. Il modello non reagiva solo al pericolo immediato; reagiva alla sorpresa causata dal comportamento scorretto. Ad esempio, nello scenario dell'incrocio, quando l'altra auto continuava ad avanzare nonostante le regole, la "rabbia" del modello cresceva finché non decideva di frenare bruscamente per evitare uno scontro. Interessante è il fatto che, se uno scontro diventava inevitabile, il suo "arousal" in realtà diminuiva perché l'incertezza era svanita: sapeva esattamente cosa sarebbe successo, anche se l'esito era negativo. Ciò suggerisce che il modello ha catturato con successo il legame tra la violazione delle norme del traffico e il provare emozioni negative.

I ricercatori hanno scoperto che, osservando la differenza tra ciò che il conducente si aspettava accadesse e ciò che effettivamente accadeva (o che era probabile accadesse), potevano generare questi segnali emotivi. Hanno scoperto che la "rabbia" del modello era direttamente legata alla violazione delle norme sociali da parte dell'altro conducente, proprio come farebbe un vero conducente umano. Tuttavia, gli autori sottolineano con cautela che tutto questo sta accadendo all'interno di una simulazione al computer. Non lo hanno ancora testato su persone reali, quindi, sebbene i risultati sembrino molto promettenti e corrispondano a ciò che sappiamo della psicologia umana, sono ancora solo un'ipotesi molto sofisticata basata sulla matematica. Il modello ha anche un punto cieco: non comprende ancora come le emozioni possano cambiare il comportamento del conducente (come il fatto che la rabbia possa spingere un conducente a correre rischi maggiori). Tuttavia, come primo passo, questo lavoro suggerisce che possiamo costruire auto a guida autonoma che non calcolano solo la fisica, ma comprendono anche le implicazioni emotive della strada, rendendole potenzialmente migliori partner per i conducenti umani.

Sintesi Tecnica: Emozione in un Modello di Inferenza Attiva della Guida Umana

Problema
L'inferenza attiva è emersa come un quadro principato per modellare il comportamento adattivo bilanciando l'azione orientata all'obiettivo con la riduzione dell'incertezza. Sebbene sia stata applicata con successo a scenari di guida umana (ad es. inseguimento del veicolo, mantenimento della corsia, evitamento delle collisioni), i modelli esistenti trascurano ampiamente lo stato affettivo (emozione), un determinante critico del processo decisionale umano nel traffico. I tentativi precedenti di integrare le emozioni nell'inferenza attiva sono stati limitati a "problemi banali" (toy problems) semplificati con spazi di stato discreti, che mancano della capacità di pianificazione realistica richiesta negli scenari di guida complessi. È necessaria un'estensione di queste capacità di modellazione emotiva a modelli di guida a spazio di stato continuo che tengano conto della pianificazione di policy multi-step.

Metodologia
Gli autori estendono un esistente modello di inferenza attiva della collision avoidance nella guida umana (Schumann et al.) per incorporare un modello di emozione del conducente basato sul modello circomplesso dell'affetto di Russell (valenza e arousal). Il nucleo del framework opera come segue:

Modello Generativo: L'agente mantiene una credenza stocastica $q(s)$ (tramite particle filter) sull'ambiente, approssimando un processo generativo esterno. Il modello di transizione combina una verosimiglianza cinematica (modello bicycle) e una verosimiglianza normativa (conformità alle regole del traffico).
Selezione della Policy: L'agente valuta le candidate policy $\pi_t$ (sequenze di azioni su un orizzonte $H$ ) minimizzando l'Energia Libera Attesa (EFE). L'EFE bilancia il valore pragmatico (raggiungere esiti preferiti) e il valore epistemico (riduzione dell'incertezza).
Formulazione dell'Emozione:
- Valenza ( $V$ ): Definita come la differenza tra il valore pragmatico effettivo e quello atteso. Per adattare questo concetto al tempo continuo e alla pianificazione multi-step, gli autori propongono:
  - Dividere per il passo temporale $\Delta t$ per garantire l'indipendenza dalla frequenza.
  - Calcolare il Valore Atteso ( $V(E)$ ) come la media del valore pragmatico sugli ultimi $N=5$ stati delle policy precedenti per garantire la stabilità contro la selezione stocastica della policy.
  - Calcolare il Valore Effettivo ( $V(A)$ ) basandosi sulla policy di riferimento corrente (quella attualmente in atto) piuttosto che su controfattuali, riflettendo le interazioni in corso tra organismo e ambiente.
  - $V_t = V(A)_t - V(E)_t$ .
- Arousal ( $A$ ): Definito come l'entropia della credenza posteriore dell'agente. Gli autori sostengono che l'uso dell'incertezza cinematica grezza sia controintuitivo (ad es. agenti distanti potrebbero indurre alta incertezza/arousal mentre collisioni imminenti potrebbero indurre bassa incertezza a causa del tracciamento preciso). Invece, mappano l'arousal sull'incertezza di uno stato astratto significativo: la probabilità di collisione ( $p_{coll}$ $p_{co l l}$ ).
  - $p_{coll}$ è la probabilità massima attesa di collisione sull'orizzonte di predizione, derivata da un classificatore binario di collisione.
  - L'arousal è calcolato come l'entropia binaria di questa probabilità di collisione: $A_t = -[p_{coll} \ln(p_{coll}) + (1-p_{coll}) \ln(1-p_{coll})]$ .

Contributi Chiave

Estensione allo Stato Continuo: Il paper generalizza la formulazione dell'emozione a stato discreto di Pattisapu et al. a un modello di inferenza attiva di guida a spazio di stato continuo.
Valutazione Orientata al Futuro: La formulazione proposta condiziona le stime affettive non solo agli stati correnti, ma anche agli esiti futuri previsti (su un orizzonte multi-step), allineandosi con le teorie di valutazione (appraisal theory) delle emozioni.
Stima della Valenza Stabile: Mediando i valori attesi su più policy passate, il modello riduce la variabilità causata dalla selezione stocastica della policy, producendo segnali affettivi più stabili.
Arousal Semantico: Gli autori introducono un metodo per derivare l'arousal dall'incertezza di stati semantici di alto livello (probabilità di collisione) piuttosto che dall'incertezza cinematica di basso livello, evitando risposte di arousal irrazionali verso agenti distanti e non minacciosi.

Risultati
L'approccio è stato valutato in due scenari di guida interattiva contenenti 128 simulazioni ciascuno: uno scenario di incursione laterale e uno di intersezione con violazione di priorità. L'agente ha interagito con un agente conforme o con uno non conforme (avversario).

Incursione Laterale:
- Agente Conforme: L'arousal è aumentato inizialmente con l'aumento della probabilità di collisione, ma è diminuito man mano che l'altro agente si comportava in modo benigno. La valenza è diventata positiva con il miglioramento del valore pragmatico.
- Agente Non Conforme: Al momento della violazione delle norme da parte dell'altro agente, l'agente modellato ha perso fiducia, portando a un aumento dell'incertezza (arousal) e a una valenza negativa. L'agente ha evitato con successo una collisione, causando un successivo calo dell'arousal e un aumento della valenza.
Intersezione:
- Agente Conforme: Le emozioni sono rimaste neutre/calme mentre l'altro agente cedeva il passo.
- Agente Non Conforme: L'agente ha sperimentato una valenza negativa e un aumento dell'arousal mentre l'altro agente ignorava le regole del traffico. Nei casi di evitamento riuscito, l'agente ha ceduto il passo, portando al sollievo (valenza positiva). Nei casi di collisione, l'arousal è diminuito solo quando la collisione è diventata inevitabile (certezza dell'esito), e la valenza è rimasta inferiore rispetto ai casi di evitamento.
Mappatura Circomplessa: Quando mappati sul modello circomplesso, gli stati emotivi dell'agente si sono allineati con i pattern umani: le violazioni delle norme hanno indotto rabbia (valenza negativa, alto arousal), mentre l'evitamento riuscito ha portato a rilassamento. Gli esiti di collisione sono transitati dalla tristezza alla depressione.

Significatività e Rivendicazioni
Il paper sostiene che l'inferenza attiva fornisca un quadro viabile e principato per modellare i componenti affettivi del comportamento di guida umana. La significatività primaria risiede in:

Interpretabilità Meccanicistica: Il modello offre una spiegazione strutturata di come gli stati emotivi derivino dai processi cognitivi (ad es. le deviazioni dagli esiti attesi inducono valenza negativa; l'incertezza sulle violazioni delle norme induce arousal).
Allineamento con la Teoria della Valutazione (Appraisal Theory): I risultati supportano le teorie della valutazione dimostrando che le risposte affettive sono guidate dall'anticipazione degli esiti e dalla violazione delle aspettative sociali/normative.
Framework Unificato: Il lavoro supporta la visione dell'inferenza attiva come un resoconto unificato di percezione, azione e affetto, mostrando che gli stati affettivi possono essere inferiti dallo stesso framework generativo utilizzato per la modellazione del comportamento.

Limitazioni
Gli autori rilevano alcune limitazioni:

Il modello cattura errori di predizione a breve termine ma trascura le aspettative di livello superiore o a lungo termine (ad es. un conducente in un ingorgo può comunque provare una valenza negativa nonostante stabili predizioni a breve termine).
La valutazione è limitata alla simulazione; non è stata eseguita alcuna comparazione diretta con dati umani (ad es. espressioni facciali).
Il modello è unidirezionale (il comportamento influenza l'emozione) e non tiene ancora conto di come le emozioni possano modulare il comportamento (ad es. la rabbia che aumenta l'assunzione di rischi).

Articoli simili